基于过滤文本和社交网络的用户常驻位置预测

社交用户的文本具有地理差异性,并且社交关系密切的用户之间居住位置更近,因而文本和社交网络均可用于推断用户常驻位置。现有基于文本和社交网络的用户常驻位置预测方法对文本的位置指示性特征挖掘不充分,而用户文本中地名等位置指示信息却提供了最有用的位置信号。因此,本文提出一种基于地理命名实体识别（GER）和图卷积神经网络（GCN）的社交用户位置预测方法。首先,通过地理命名实体识别方法对用户文本进行过滤以凸显位置指示性特征;其次,基于提及关系和关注与被关注关系抽取社交网络;再次,结合社交网络和用户文本内容,采用基于图卷积神经网络的方法进行用户常驻位置预测;最后,将GER-GCN与GCN以及最新研究成果进行比较,并探究该模型的小样本学习能力及其影响因素。基于Geotext数据集和2个微博数据集的实验表明：① GER文本过滤方法可显著提升用户位置预测精度;② 在所有实验中,GER-GCN的预测精度最高,并在基准数据集GeoText上比最新研究成果提升1%~2%;③ 在最小监督的现实场景中,本文印证了GER-GCN模型的小样本学习能力,并发现社交网络质量对其小样本学习能力起到决定性作用。实验结果验证了GER-GCN方法的先进性,且该方法符合社交媒体现实场景的应用需求。     

基于R语言的交通流量数据可视化应用

对于目前交通管理系统采集海量数据利用效率不足的问题,以青岛胶南市的部分交通流量数据为例,通过R语言对交通流量的可视化探索R在交通流量可视化中的应用;利用R语言的简单编码对交通流量数据实现不同形式的可视化;结合胶南市部分路口的监测线圈数据对其交通流量的状况用R进行可视化;通过R绘制地图、趋势图、比例图、分面图、三维图来分析研究R的可视化效果。结果显示,R语言可以通过简洁的代码设计来实现良好的数据分析效果,在可视化数据挖掘中的优势明显。